每個卷積核具有長、寬、深三個維度。
卷積核的長、寬都是人為指定的，長X寬也被稱為卷積核的尺寸，常用的尺寸為3X3，5X5等；
卷積核的深度與當前圖像的深度（feather map的張數）相同，所以指定卷積核時，只需指定其長和寬兩個參數。
例如，在原始圖像層 （輸入層），如果圖像是灰度圖像，其feather map數量為1，則卷積核的深度也就是1；如果圖像是grb圖像，其feather map數量為3，則卷積核的深度也就是3.
卷積核個數的理解
如下圖紅線所示：該層卷積核的個數，有多少個卷積核，經過卷積就會產生多少個feature map，也就是下圖中 `豆腐皮兒`的層數、同時也是下圖`豆腐塊`的深度（寬度）！！這個寬度可以手動指定，一般網絡越深的地方這個值越大，因為隨着網絡的加深，feature map的長寬尺寸縮小，本卷積層的每個map提取的特征越具有代表性（精華部分），所以后一層卷積層需要增加feature map的數量，才能更充分的提取出前一層的特征，一般是成倍增加（不過具體論文會根據實驗情況具體設置）！
例如輸入224x224x3（rgb三通道），輸出是32位深度，卷積核尺寸為5x5。
那么我們需要32個卷積核，每一個的尺寸為5x5x3（最后的3就是原圖的rgb位深3），每一個卷積核的每一層是5x5（共3層）分別與原圖的每層224x224卷積，然后將得到的三張新圖疊加（算術求和），變成一張新的feature map。 每一個卷積核都這樣操作，就可以得到32張新的feature map了。 也就是說：
不管輸入圖像的深度為多少，經過一個卷積核（filter），最后都通過下面的公式變成一個深度為1的特征圖。不同的filter可以卷積得到不同的特征，也就是得到不同的feature map。
原文鏈接：https://blog.csdn.net/xys430381_1/article/details/82529397